小生境遗传算法综述.pdfVIP

小生境遗传算法综述1 李明林 (福州大学机械工程学院 福建 福州, 350002) （Email ：lml_007@163.com ） 摘 要：本文在阅读大量遗传算法小生境技术资料基础上，介绍了遗传算法的特点、物种形 成和小生境技术，详细陈述上世纪 80 年代以来的各种小生境实现方法，包括共享函数法、 确定性排挤法、可变半径的聚类算法和隔离小生境方法等；最后对小生境遗传算法的工程应 用提出了展望。 关键词: 小生境，遗传算法，聚类算法，隔离 遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概 率搜索算法。 大量的研究表明：简单遗传算法（SGA）在解决单峰值函数优化时是比较有效的，但面 对工程中大量存在的多峰值复杂函数优化问题，SGA往往收敛于局部最优解。究其原因，主 要是因为大多数选择策略采用繁殖机会同适应度成正比的方法，这很容易导致两个问题[3] ： 1）超级数字串或超级个体问题；2 ）多个相似数字串问题，也称封闭竞争问题。实际上，导 致以上两个问题的原因是简单遗传算法的选择策略缺乏多样性保护机制。而对多峰值函数优 化问题，群体中个体的多样性可保证优化算法能够搜索出问题的所有最优解，包括局部最优 解和全局最优解。为此，将小生境（niche ）技术引入遗传算法。 1. 物种形成与小生境技术 自然界中，“物以类聚，人以群分”是一种司空见惯的现象。生物总是倾向于与自己特 性、形状相类似的生物生活在一起，一般总是与同类交配繁殖后代，这种交配方式在生物进 化过程中具有积极作用。生物学上，有共同特性的组织被称为物种（species ）。而物种赖以 [4] 生存的资源环境，我们称之为小生境（niches ） 。在自然界，小生境技术（niching ）表现 为：生态环境中分享不同资源的物种的形成。对应于象GA这样的人工系统，小生境技术表 现为：在一个固定规模的群体中子群体的形成，每个子群体对应问题的一个子任务（在多峰 值优化问题中，每个子任务对应于找出一个山峰）。 小生境技术具有相对简单、有效和通用的特性，因此，它可作为 SGA 强有力的组成部 分。它可促使群体内个体间协同合作，使算法易于找出优化问题的所有局部最优解和全局最 1 本课题得到福建省教育厅（JB04025 ）资助 - 1 - 优解。而 SGA 中，个体间仅仅存在竞争，最好的个体在进化中迅速占据整个群体，即一个 物种占据环境的全部资源，或者说算法仅能找出其中的一个最优解 （全局最优解或局部最优 解）。 2. 小生境技术的研究进展 小生境技术最早是由Cavicchio[5]在 1970 年提出的基于预选择机制（Preselection ）的小 生境实现方法。1975 年DeJong一般化了Cavicchio 的预选择机制[6]，在其博士论文提出了基 于排挤机制 （Crowding ）的小生境实现方法[7] 。他们声称这两种方法都可在群体中形成小生 境的进化环境，并维持了群体的多样性。但在相当长的时间里，对Preselcetion和Crowding 的研究少之又少。直到 1992 年Mahfoud才又进行比较深入的研究，指出在实际应用中，这 两种方法并不象其作者所声称的那样能成功地维持多样性。真实情况是这两种方法所采用的 随机替代技术将产生大量的基因漂移，而使算 1、随机选择两个父代个体P 、P ； 法收敛于局部最优解。通过对Crowding方法的 1 2 2 、对P 、P